Ingenierı́a y Ciencia, ISSN 1794-9165

Volumen 2, número 4, páginas 95-123, septiembre de 2006

Una solución económica a los problemas de

calidad del servicio del suministro de
energı́a eléctrica1
Vı́ctor Barrera Núñez2, Juan Mora3,
Gilberto Carrillo4 y Gabriel Ordóñez5

Recepción: 06 de febrero de 2006 — Aceptación: 12 de octubre de 2006

Se aceptan comentarios y/o discusiones al artı́culo

Resumen
En este artı́culo se propone una metodologı́a de construcción de modelos hı́bri-
dos para la localización de fallas en sistemas de distribución de energı́a eléctri-
ca, la cual permitirá a las empresas distribuidoras mejorar sus ı́ndices de cali-
dad referentes a la continuidad del suministro de energı́a (ı́ndices DES y FES).
El modelo hı́brido planteado dentro de la metodologı́a esta conformado por
una técnica basada en el conocimiento (técnica LAMDA) y otra basada en el
modelo (algoritmo de Ratan Das). La técnica LAMDA es una técnica basa-
da en inteligencia artificial que hereda caracterı́sticas de la lógica difusa y las
1
Trabajo desarrollado por el Grupo de Investigación en Sistemas de Energı́a Eléctrica
(GISEL), Universidad Industrial de Santander (UIS) y patrocinado por el Instituto Colom-
biano para el Desarrollo de la Ciencia y la Tecnologı́a Francisco José de Caldas (Colciencias)
e Interconexión Eléctrica S.A. (ISA).
2
M.Sc., vbarrera@colciencias.gov.co/uis.edu.co, Asesor Programa Nacional de Investiga-
ciones en Energı́a y Minerı́a, Colciencias, Asistente de Investigación GISEL.
3
Ph.D., jjmora@utp.edu.co, profesor auxiliar, Departamento de Ingenierı́a Eléctrica, Uni-
versidad Tecnológica de Pereira.
4
Ph.D., gilberto@uis.edu.co, profesor titular laureado, Escuela de Ingenierı́a Eléctrica,
Universidad Industrial de Santander.
5
Ph.D., gaby@uis.edu.co, profesor titular, Escuela de Ingenierı́a Eléctrica, Universidad
Industrial de Santander.

Universidad EAFIT 95|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

redes neuronales. El algoritmo Ratan Das, es un algoritmo de localización de

fallas que estima la ubicación de la falla a partir de los fasores de tensión y
corriente en el instante de la misma y demás parámetros eléctricos del sistema
de distribución. Lo novedoso de la metodologı́a radica en que con la imple-
mentación del modelo hı́brido se mejora la precisión en la estimación de la
ubicación de la falla, debido a que se reduce notablemente la múltiple esti-
mación del algoritmo de localización por la presencia de la técnica basada en
el conocimiento. Finalmente, se presentan los resultados obtenidos de pruebas
realizadas con un circuito de distribución de 24 kV y aproximadamente 60 km
de longitud.
Palabras claves: calidad de potencia, clasificación multivariable, continui-
dad del suministro de energı́a eléctrica, indicadores de calidad, inteligencia
artificial, localización de fallas, técnica LAMDA.

Abstract
This paper proposes a methodology to build hybrid models to fault location
in power distribution systems, this methodology will allow to the utilities im-
prove their quality indexes corresponding energy service continuity (DES and
FES indexes). The hybrid model in methodology is composed by a technique
based on knowledge (LAMDA tecnique) and other based on model (Ratan Das
algorithm). The LAMDA technique is a technique based on artificial intelli-
gence inheriting characteristics of the fuzzy logic and neural networks. The
Rantan Das algorithm, is fault location algorithm that estimate the fault lo-
cation from voltage and current phasors in the moment of fault and moreover
some electric parameters of the distribution system. The novel thing of the
methodology is centred in which with the implementation of the hybrid model
is improved the precision in the estimation of the fault location, due to that
is reduced the multiple estimation of the fault location algorithm by the tech-
nique based on knowledge. Finally, are presented the results obtained in test
realized with a distribution circuit of 24 kV and length 60 km, approximately.

Key words: power quality, multivariable classification, electric energy ser-

vice continuity, quality indexes, artificial intelligence, faults location, LAMDA
technique.

1 Introducción

A partir de los nuevos esquemas de regulación del sector eléctrico a nivel

mundial, el problema de la calidad de la prestación del servicio de energı́a

|96 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

eléctrica se ha convertido en un foco de especial interés para las empresas dis-

tribuidoras y operadores de red. Esta situación obedece a la alta sensibilidad
de los equipos eléctricos y electrónicos actuales, los cuales requieren de un su-
ministro constante y continuo de energı́a, y que hacen parte de los diferentes
procesos de control, producción y almacenamiento de información presentes
para todo tipo de usuario, [1] y [2].
El problema radica esencialmente en que las empresas de distribución no
pueden implementar los algoritmos y esquemas existentes para la identifi-
cación y localización de fallas debido a que estos han sido realizados para
ser implementados en sistemas de transmisión de energı́a eléctrica, los cuales
poseen grandes diferencias en comparación con los sistemas de distribución,
por ejemplo, estos últimos tienen una configuración radial, sus redes no son
homogéneas, tienen presencia de múltiples cargas laterales y transformado-
res instalados a lo largo de los circuitos alimentadores. Por estas razones, no
es posible obtener resultados confiables de estos algoritmos y esquemas al
implementarlos en circuitos de distribución. Consecuentemente, el desarrollo
de esta investigación se encuentra justificado en la necesidad de las empre-
sas distribuidoras de energı́a, por implementar metodologı́as y/o estrategias
que permitan mejorar y mantener sus niveles de calidad del servicio en la
continuidad del suministro del producto energı́a eléctrica.
La base de desarrollo de la metodologı́a de localización de fallas aquı́ pro-
puesta, es la combinación de un método algorı́tmico existente para la locali-
zación de fallas (algoritmo de Ratan Das) en conjunto con una herramienta
de razonamiento basada en el conocimiento (técnica LAMDA). Lo anterior,
con la finalidad de aprovechar las virtudes del método algorı́tmico en cuanto
al modelado de la red y mejorar su exactitud con la utilización de informa-
ción complementaria no analizada en el algoritmo original con ayuda de una
herramienta de inteligencia computacional, [3] y [4].
Inicialmente se realiza un estado del arte sobre los modelos hı́bridos y
sus aplicaciones, seguidamente se describe la técnica de clasificación utiliza-
da, luego se establece la metodologı́a propuesta para el mejoramiento de los
ı́ndices para la medición de la calidad del suministro de energı́a eléctrica, pos-
teriormente, se plantea un ejemplo de aplicación de la metodologı́a descrita
en la sección anterior, en la sección (6) se realiza una breve discusión sobre los

Universidad EAFIT 97|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

trabajos futuros. Finalmente, se presentan las conclusiones sobre la aplicación

de la metodologı́a planteada.

2 Estado del arte

En las últimas décadas han sido desarrolladas muchas herramientas de so-

porte a la toma de decisiones, principalmente en el campo de la computación
suave y la inteligencia artificial. En cada uno de los problemas reales, general-
mente complejos, la mayorı́a de desarrollos tratan de aprovechar las ventajas
de los métodos simbólicos como: los árboles de decisión, sistemas expertos,
lógica difusa y razonamiento basado en casos; o las ventajas de los métodos
conexionistas como: las redes neuronales, LAMDA y las máquinas de soporte
vectorial [5].
La mayorı́a de investigaciones han demostrado que, con la unión de algu-
nas de las técnicas mencionadas, se puede obtener una mejor respuesta a la
necesidad planteada por algún problema en particular. De manera general,
en la literatura especializada, a todo sistema que integra dos o más métodos
diferentes se le conoce como un “sistema hı́brido”. Uno de los puntos más
importantes en los sistemas hı́bridos, es la distinción entre el “saber hacer
una tarea” y el “conocimiento puro sobre la tarea”, ya que ambos tipos de
conocimiento se complementan el uno al otro [6]. Existen varias combinacio-
nes entre los distintos métodos. La utilización de un sistema hı́brido tiene
ventajas, tales como:

• La integración de dos técnicas complementarias, permite que una mejore

las deficiencias de la otra, de forma que se pueda obtener un mejor
desempeño.
• El uso de diferentes técnicas de representación del conocimiento, amplı́a
la capacidad del sistema de recibir nueva información. Un solo método
aumenta las imposiciones y restringe el sistema, dificultando la solución
del problema.
• Algunos sistemas complejos, que no pueden ser abordados a través de
una sola técnica para su solución pueden ser divididos en subproblemas,
y tratarlos individualmente para obtener una solución global óptima del
problema.

|98 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

• El procesamiento en paralelo de la información en diferentes módulos,

permite obtener un sistema con mayor desempeño, más robusto, y con
una mayor tolerancia a fallos.

Con la utilización de sistemas hı́bridos o la integración de varios módulos

que cooperan entre sı́, cada uno con sus especificaciones, se busca mejorar el
tratamiento que se da a un objetivo común o a la solución de un problema.
En [7] y [8] se muestran ejemplos de problemas en los que se ha mejorado la
eficiencia de un modelo con el uso de mecanismos de control, que son capaces
de determinar cual de los elementos que forman parte del sistema se deben
utilizar en cada momento.
En general, la investigación en el campo de los sistemas hı́bridos trata de
mejorar la forma de desarrollar sistemas y construir mecanismos más potentes,
utilizando menos esfuerzo que el necesario para generar un sistema basado en
un solo sistema inteligente [9]. Los sistemas hı́bridos tienen potencial para
resolver algunos problemas que son muy difı́ciles de afrontar utilizando un
único método de razonamiento.
En la actualidad, un grupo bastante numeroso de cientı́ficos están investi-
gando la interacción entre diferentes sistemas de inteligencia artificial. En este
sentido el espectro de posibilidades de investigación es muy amplio, ya que
existe una gran variedad de sistemas inteligentes, incrementándose el número
de posibles combinaciones, [10], [11] y [12]. Las investigaciones van desde el
estudio de cuestiones fundamentales acerca de la naturaleza del razonamiento
y la teorı́a de la computación, hasta problemas prácticos de investigación en
áreas como la biologı́a [13], ingenierı́a hidráulica [14], en la predicción de la
evolución de playas a mediano y largo plazo, y en ingenierı́a ambiental [15]
para la estimación de las trayectorias de los vientos, etcétera.

3 Algoritmo de aprendizaje para análisis de datos multivaria-

ble

La técnica LAMDA es un algoritmo de clasificación multivariable que combina

la capacidad de generalización de la lógica difusa y la capacidad de interpola-
ción de la lógica hı́brida, [3], [16] y [17]. Las principales caracterı́sticas de la
técnica LAMDA son:

Universidad EAFIT 99|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

• Capacidad de aprendizaje supervisado y no supervisado

• Evaluación de datos cuantitativos y cualitativos
• Capacidad de aprendizaje secuencial
• Implementación simple.

La estructura de clasificación es similar a la estructura de una red neuro-

nal, ver la figura (1); de igual manera requiere de una etapa de entrenamiento,
donde se crean y modifican las clases, y una etapa de reconocimiento de pa-
trones para la asignación de individuos a clases fijas. Estas dos etapas son
compatibles, y pueden ser ejecutadas permanentemente para desarrollar un
aprendizaje continuo en la herramienta.
X1:C1

X2:C1 L

x1 Xn: C1

X1:C2

x2 X2:C2 L MAX
X Clase
asignada
Objeto Xn : C2

xn X1:Cn

X2 : Cn L

Xn : Cn

Objeto Descriptores del Clases MAD s GAD s

objeto

Figura 1: Estructura del clasificador LAMDA

Para que la herramienta logre identificar la clase a la cual pertenece un

individuo, es necesario que individuo y clase sean caracterizados con un con-
junto de descriptores. De la comparación de cada uno de estos descriptores
resulta un ı́ndice relacionado con el grado de similitud del descriptor del in-
dividuo con el descriptor de la clase. Estos ı́ndices son llamados MAD y son
calculados para cada individuo, en cada descriptor de cada una de las clases
predefinidas. Los resultados de estos ı́ndices se agrupan por medio de dis-
tribuciones y funciones de probabilidad en ı́ndices globales llamados GAD.

|100 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

Estos ı́ndices indican en general el grado de adecuación del individuo a la

clase, dicho en otras palabras, cuantifica la similitud o parecido que tiene un
determinado individuo con una determinada clase. La clasificación de objetos
se basa en la elección del ı́ndice GAD máximo, [3] y [18].

4 Descripción de la metodologı́a

La metodologı́a consiste en un conjunto de pasos a seguir para estimar la

ubicación e identificar el tipo de falla ocurrida en un sistema de distribución a
partir de las señales de tensiones y corrientes trifásicas adquiridas mediante el
dispositivo de monitorización instalado en el circuito alimentador del sistema
de distribución radial. Es conveniente aclarar que la estimación e identificación
de la falla se realiza una vez que se ha caracterizado el sistema de distribución,
entrenado y validado el sistema inteligente basado en la técnica LAMDA y
adquiridas las señales de tensión y corriente [18]. En la figura (2) se muestra
el diagrama de bloques que representa la metodologı́a hı́brida a implementar,
[3], [18] y [19].

Modelo hibrido basado en el modelo y el conocimiento

Metodo basado en Metodo basado en

el conocimiento el modelo 2
3
Adecuacion de Sensores
senales v(t), i(v)

4 5 Parametros
Extraccion de Obtencion de de la red
descriptores fasores
6 1
Tipo 7
LAMDA
RATAN DAS
(Zona de falla)
de falla
8
*
1** Ubicacion
de la falla

* Tipo y multiples posibles ubicaciones de la falla.

** Una unica zona de ubicacion de la falla.

Figura 2: Esquema de la metodologı́a y del proceso de clasificación

Universidad EAFIT 101|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

A continuación, se describen cada una de los pasos de la metodologı́a

esquematizada en la figura (2), [3] y [18].

4.1 Parámetros de la red – bloque 1

Contiene la información de la topologı́a del sistema de distribución, esto es,

distancia de los tramos entre estructuras, tramo aéreo o subterráneo, cali-
bres de conductores, separación entre conductores, altura de los conductores
con respecto al suelo y carga instalada por tramo, entre otros. Esta informa-
ción es utilizada en la metodologı́a únicamente por el método algorı́tmico de
localización, el cual se describirá luego.

4.2 Señales de tensión y corriente – bloque 2

Son las señales de tensión y corriente de cada una de las fases (va(t), vb(t),
vc(t), ia(t), ib(t), ic(t)). Estas señales son obtenidas en el instante de la falla
por los dispositivos de protección y registro que se encuentran en la cabecera
de los circuitos.

4.3 Adecuación de señales – bloque 3

En este bloque se realiza el cálculo del valor eficaz tanto de las señales de
tensión como de corriente; esta estimación se realiza mediante el empleo de
una ventana deslizante de 128 muestras, que se actualiza a cada muestra
[20]. Luego de la adecuación de las señales, éstas se utilizan para realizar los
procesos de los bloques 4 y 5.

4.4 Extracción de descriptores – bloque 4

En este paso se calculan los descriptores que caracterizan las señales proce-
sadas por el bloque 3. En la figura (3) se hace una representación gráfica
de algunos de los descriptores utilizados. La definición de cada uno de los
descriptores es [18], [19] y [21]:

|102 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

1,1

1,0

0,9
Vrms(t)[p.u]

0,8 Magnitud
manofasica
Pendiente de
Ha, Hb, Hc
caida
0,7
PCa, PCb, PCc

0,6
2%
0,5

0,4
20 30 40 50 60 70 80 90 100
Tiempo [ms]

Figura 3: Descriptores utilizados para el proceso de clasificación

Ha, Hb, Hc Profundidad de tensión por fase [p.u]. Ver la figura (3)
Ia, Ib, Ic Elevación de corriente por fase [p.u]
PCa, PCb, PCc Pendiente de caı́da por fase. Ver la figura (3)
maxH Máxima profundidad de tensión monofásica [p.u]
maxI Máxima profundidad de corriente monofásica [p.u]
minPC Mı́nima pendiente de caı́da monofásica
H̄ Media de las tres profundidades monofásicas [p.u]
I¯ Media de las tres corrientes de monofásicas [p.u]
P¯C Media de las tres pendientes de caı́da monofásica
σH Desviación estándar de las tres profundidades monofásicas
σI Desviación estándar de las tres corrientes monofásicas
σP C Desviación estándar de las tres pendientes de caı́da monofásicas.

4.5 Magnitudes de prefalla, falla y postfalla – bloque 5

En el bloque 5 se obtienen las magnitudes de los fasores de tensión y corriente,

en los estados de prefalla, falla y postfalla. Los fasores son utilizados junto
con los parámetros de la red como entradas para el algoritmo de localización
de fallas.

Universidad EAFIT 103|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

4.6 Técnica de clasificación – bloque 6

Es una de las etapas más importantes, en la cual se realiza la clasificación con

la ayuda del Algoritmo de Aprendizaje para Análisis de Datos Multivariable
(LAMDA). Cabe anotar que este sistema basado en inteligencia artificial se
encuentra previamente entrenado y validado, según la descripción expuesta
en la sección (5) “Ejemplo de aplicación”.

4.7 Método algorı́tmico de localización – bloque 7

En la tabla (1) se presenta una comparación de las caracterı́sticas de algunos

algoritmos de localización de fallas en sistemas de energı́a eléctrica. Cabe
resaltar la existencia de algoritmos que poseen ventajas sobre otros, como los
algoritmos de Ratan Das, Saha y Aggarwal. Esto es debido a que consideran
un modelo de lı́nea adecuado para el sistema de distribución, presencia de
circuitos laterales, cargas desequilibradas, análisis según el tipo de falla y la
utilización de las señales de tensión y corriente a frecuencia fundamental.

Tabla 1: Comparación de las caracterı́sticas de algunos algoritmos de localización

de fallas
Caracterı́sticas
Modelo Cargas Hetero- Tipo Múltiple
Algoritmo de late- geneidad de esti- Información
lı́nea rales de la red falla mación
Ratan das Larga X X X X Pre-Post
Srinivasan Larga × X X X Pre-Post
Girgis Corta X X X X Pre-Post
Myeon Corta × X × X Pre-Post
Yang Corta × X X X Pre-Post
Saha Corta X X X X Pre-Post
Aggarwal Corta X X X X Pre-Post
Warrington Corta × × × X Pre-Post
Takagi Corta X × × X Pre-Post
Novosel Corta × × X X Pre-Post

En esta investigación como primera opción se ha seleccionado el algoritmo

de Ratan Das para su implementación en el modelo hı́brido, [22] y [23], por-

|104 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

que cuenta con caracterı́sticas completas de un sistema de distribución, fácil

implementación, precisión y actualidad.
Adicionalmente, otra razón para la selección del método mencionado, ha
sido la disponibilidad de pruebas y gran cantidad de información sobre el
sistema y los tipos de fallas, adecuadamente documentados. Sin embargo, no
se descarta la implementación de algún otro método algorı́tmico distinto al
procedimiento propuesto por Ratan Das.
El método propuesto determina el tipo y la ubicación de la falla en un
sistema de distribución radial, con cargas laterales y no homogéneo, utilizan-
do fasores de tensión y de corriente en estado de prefalla, falla y postfalla a
frecuencia fundamental. Los fasores son empleados para calcular la impedan-
cia vista desde el equipo de medida ubicado en la cabecera del circuito. Por
último, la distancia a la falla se estima a partir de la comparación sucesiva
entre la impedancia aparente y la componente reactiva a través de todos los
ramales del circuito, generando posibles ubicaciones de la misma.
A partir de la implementación del método Ratan Das, se obtienen en este
bloque el tipo y todas las posibles ubicaciones de la falla en el sistema de
distribución radial. Luego, estas posibles ubicaciones de la falla son correla-
cionadas (bloque 8 en la figura 2) con la zona o región de ubicación establecida
por la técnica de clasificación en el bloque 6, permitiendo reducir el número
de posibles ubicaciones dada por el método algorı́tmico de localización Ratan
Das. Esto es de gran importancia si se tiene presente la cantidad de circuitos
ramales que tienen los sistemas de distribución de energı́a eléctrica, lo cual
se traduce en una mayor cantidad de posibles soluciones de los algoritmos
de localización. Igualmente esta correlación permite optimizar el proceso de
localización fı́sica de la falla dentro de la red de distribución.
Una vez realizada la clasificación y ubicación de la falla es necesario es-
tablecer su impacto en los ı́ndices de continuidad del suministro de energı́a
eléctrica.
En la siguiente sección, se aplicará la metodologı́a propuesta a un sistema
de distribución de energı́a eléctrica, a través del entrenamiento y validación
de un sistema inteligente basado en la técnica LAMDA.

Universidad EAFIT 105|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

5 Ejemplo de aplicación

5.1 Descripción del sistema de distribución

El sistema de distribución presentado en la figura (4) es un sistema que ha sido

utilizado para pruebas de distintos métodos de localización de fallas, [22], [23]
y [24]. El sistema está compuesto por 17 secciones con ramales monofásicos
y trifásicos. Las secciones enumeradas de 1 a 8 son trifásicas, los ramales
unidos a los nodos 5–6 y 6–7 son monofásicos conectados a las fases B y
C respectivamente. La tensión de operación es 25 kV. Cada sección tiene
una longitud de 3,5 km lo cual implica aproximadamente un total de 60 km
de lı́nea. Los demás parámetros tales como impedancias de secuencia, carga
instalada, tipo de carga y factor de potencia están descritos en [22] y [23].

1 2 4 5 6 7 8
G M
A A ABC B B C
3
13 9

17 15 10 11

16 14 12

Carga monofasica Carga trifasica

Figura 4: Diagrama unifilar del sistema de distribución seleccionado

5.2 Obtención de los datos de entrenamiento y validación

Todos los sistemas basados en inteligencia artificial requieren de una etapa

de entrenamiento y otra de validación, por lo tanto es necesario contar con
información suficiente para tal propósito. Debido al tipo y a la cantidad de
información que se requiere para el entrenamiento y validación de este sistema
inteligente, se obtuvo dicha información de fallas a través de la simulación del
sistema presentado en la figura (4), mediante la herramienta Power System
Blockset en la plataforma Simulink de Matlab. De esta manera fue posible

|106 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

obtener los cinco tipos de fallas presentes en sistemas de energı́a eléctrica, es

decir, fallas monofásicas, bifásicas, bifásicas a tierra, trifásicas y trifásicas a
tierra. Se realizaron por cada tipo de falla cinco fallas equidistantes en cada
sección y para resistencias de falla 0,05Ω, 5Ω, 10Ω, 25Ω y 50Ω; esto es, las
fallas se produjeron al 5 %, 27,5 %, 50 %, 72,5 % y 95 % de cada sección [4].
En la tabla (2) se muestra el número de simulaciones realizadas por cada
tipo de falla. Existe un número menor de simulaciones de fallas bifásicas y
trifásicas debido a que en los ramales monofásicos no es posible obtener fallas
de esta naturaleza (secciones 13 a 17 y 9 a 12).

Tabla 2: Número de simulaciones por cada tipo de falla

Tipo de falla Simulaciones Rango de resistencias de falla
Monofásica 825
Bifásica 600 0,05Ω, 5Ω,
Bifásica a tierra 600 10Ω, 25Ω,
Trifásica 200 50Ω
Trifásica a tierra 200
Total 2425

5.3 Análisis exploratorio de datos

El objetivo del Análisis exploratorio de datos (EDA) es explorar los datos

para revelar patrones y rasgos que más adelante faciliten la comprensión y el
análisis de la información [25]. EDA es un conjunto de técnicas que permiten
extraer información de los datos. La técnica que se utilizó en esta investigación
fue la Búsqueda de la proyección (PPEDA) apoyada posteriormente con el
Análisis de componentes principales (PCA) [26]:

1. Búsqueda de la proyección: PPEDA realiza aleatoriamente diferentes

proyecciones con la meta de encontrar una interesante, donde el interés
de la proyección es valorado a través de la maximización del ı́ndice de
búsqueda de la proyección (ppi) [25].

2. Análisis de componentes principales: PCA tiene este objetivo: dadas n

observaciones de p variables, se analiza si es posible representar adecua-

Universidad EAFIT 107|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

damente esta información con un número menor de variables construidas

como combinaciones lineales de las originales [26].

Con el objetivo de encontrar patrones que permitan clasificar las fallas

con respecto a su localización dentro del sistema de distribución, se generaron
observaciones para 36 distintos grupos de descriptores, y se obtuvo para cada
uno de ellos las proyecciones por medio de PPEDA. Los descriptores utiliza-
dos para los mencionados grupos fueron los descritos en la subsección (4.4),
“Extracción de descriptores”.
En la tabla (3) se muestran algunos grupos de descriptores utilizados para
la búsqueda de la proyección de datos de fallas monofásicas, el mismo proceso
se realizó para los otros cuatro tipos de fallas.

Tabla 3: Grupos de descriptores utilizados para la búsqueda de la proyección a partir

de los datos de fallas monofásicas
Descriptor
Grupo 1 2 3 4 5 6
1 Ha Hb Hc Ia Ib Ic
5 Ha Hb Hc maxH
6 Ia Ib Ic maxI
8 maxH Ia Ib Ic
10 Ha Hb Hc maxI
11 PCa PCb PCc maxI
12 Ha Hb Hc minPC
13 Ia Ib Ic minPC
19 maxH σH H̄
20 maxI σI I¯
26 Ha Hb Hc maxH σH H̄
36 minPC maxH

Los grupos de descriptores 5, 10, 12, 19 y 26 dan las proyecciones con los
mejores ı́ndices de proyección (ppi); el máximo ı́ndice se obtiene con el grupo
26. Los valores numéricos ppi son respectivamente 4,92; 4,42; 3,88; 4,32; 9,13.
En la misma tabla se observa que los grupos de descriptores que dan las
mejores estructuras son los que tienen presentes los descriptores de tensión.
En la figura (5) se presenta la distribución de las fallas vistas desde el plano
de proyección encontrado para el grupo de descriptores número 26.

|108 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

2,0
1
2
3
1,5 4
5 Rombos
6
7
8
1,0 9
10
11
12
Rombos 13
0,5 14 Rombos
15
16
* 17
0

Rombos
-0,5
Cuadrados,
asteriscos
-1,0
-5 -4 -3 -2 -1 0 1
*

Figura 5: Proyección de los datos de fallas MONOFÁSICAS obtenida mediante

PPEDA para el grupo de descriptores No. 26 (ppi=9,1376)

Observando la relación entre el código de colores de la figura (5) y cada

una de las secciones del sistema de distribución en estudio, se aprecia que
las fallas con respecto al eje vertical están distribuidas inversamente según
la impedancia existente entre el punto de la falla y el alimentador, es decir,
las que tienen mayor componente vertical son las fallas producidas en las dos
primeras secciones del sistema de distribución (rombos), mientras que las que
poseen menor componente vertical son la mas distantes del alimentador, esto
es, las producidas en la sección 8 y en las últimas secciones de los ramales
monofásicos conectados a las fases B y C respectivamente (cuadrados y aste-
riscos). Este comportamiento de la fallas en el plano de proyección del grupo
No.26 es muy importante porque la impedancia existente entre el punto de
la falla y el alimentador, esta relacionada proporcionalmente con la distancia,
lo cual permitirá clasificar las fallas por zonas o grupos de secciones dentro
del sistema de distribución. Por el contrario, sobre la componente horizontal
las fallas están distribuidas con respecto a la fase fallada; a la izquierda, se
encuentran todas las fallas monofásicas presentadas en la fase A, mientras que
hacia la parte derecha se encuentran las fallas monofásicas presentadas en las
fases B y C, [4] y [18].
Como consecuencia de la distribución de las fallas monofásicas con res-
pecto a la componente vertical de la proyección de los descriptores del grupo

Universidad EAFIT 109|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

No. 26, se procedió a realizar el análisis de componentes principales (PCA) de

las fallas monofásicas para el mismo grupo de descriptores. De acuerdo a los
resultados arrojados por PCA, con las tres primeras componentes principales,
se explica el 99,81 % de la variabilidad de los datos de fallas monofásicas. En
la figura (6) se presenta un gráfico de las observaciones sobre el plano de las
dos primeras componentes principales.
0,5
1
2
3
0,4 A 4
5
6
0,3 7
8
9
10
Segunda Componente

0,2 11
12
13
14
0,1 15
16
17
0 C
B
-0,1

-0,2

-0,3
0,4 0,3 0,2 0,1 0 -0,1 -0,2 -0,3 -0,4
Primera Componente

Figura 6: Representación de la primera y segunda componente de los datos de fallas

MONOFÁSICAS del grupo de descriptores No. 26

En esta oportunidad se observan tres estructuras semejantes a la pal-

ma de una mano donde cada estructura corresponde a las fallas monofásicas
producidas en las fases A, B y C (figura 6). Esto se puede verificar fácil-
mente observando la estructura inferior (B), allı́ se nota que están presentes
los cuadrados que representan las fallas producidas en el ramal monofásico
conectado a la fase B en el nodo 5-6; igualmente observando la estructura
izquierda (C) se visualiza la presencia de asteriscos, los cuales corresponden
a las fallas producidas en el otro ramal monofásico conectado a la fase C en
el nodo 6-7. En la estructura superior (A) no están presentes los cuadrados
ni los asteriscos, debido a que la fase A no tiene conectado ninguno de estos
ramales monofásicos. Los cinco segmentos de recta presentes en cada una de
las tres estructuras, corresponden a cada resistencia de falla (0,05Ω, 5Ω, 10Ω,

|110 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

25Ω y 50Ω). Finalmente, se puede concluir que las dos primeras componentes
principales de los datos de fallas monofásicas para los descriptores del grupo
No. 26 permiten discriminar la fase que interviene en una determinada falla
monofásica.
De la misma manera, si se observa la distribución de los datos sobre la
primera y tercera componente principal como se muestra en la figuras (7) y
(8), se nota que las fallas presentan con respecto a su distribución el mismo
comportamiento descrito en la figura (5), pero con la diferencia que las fallas
se encuentra mucho menos dispersas o más concentrados.
0,8
5
0,05
0,7
10
0,6
1
Tercera componente

2
0,5 3
4
5
0,4
25 6
7
8
9
0,3 10
11
12
50 13
0,2 14
15
Fallas 16
0,1 traslapadas 17

Cuadrados y asteriscos
0
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4
Primera componente

Figura 7: Representación de la primera y tercera componente de los datos de fallas

MONOFÁSICAS del grupo de descriptores No. 26 para resistencias de falla 0,05Ω,
5Ω, 10Ω, 25Ω y 50Ω

La diferencia entre los dos gráficos (figura 7 y figura 8) radica en los va-
lores de resistencias de falla que se tuvieron presentes para el cálculo de las
componentes. En la figura (7) se visualizan las componentes principales de los
datos de fallas monofásicas para resistencias de falla 0,05Ω a 50Ω, mientras
que en la figura (8) de 0,05Ω a 10Ω. En la figura (7) se identifica que los va-
lores de resistencias de falla mayores o iguales a 25Ω son resistencias de falla
relativamente altas, debido a que las fallas de 25Ω y 50Ω producidas en la pri-
mera sección (rombos), se confunden o traslapan con las fallas producidas en
las secciones mas distantes del alimentador del sistema de energı́a (cuadrados

Universidad EAFIT 111|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

0,8
0.05 5

0,7
10
0,6 1
2
Tercera componente

3
4
0,5 5
6
No hay presencia de 7
fallas traslapadas 8
9
0,4 10
11
12
13
0,3 14
Cuadrados 15
y asteriscos 16
17
0,2

-
0,1
-0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4
Primera componente

Figura 8: Representación de la primera y tercera componente de los datos de fallas

MONOFÁSICAS del grupo de descriptores No. 26 para resistencias de falla 0,05Ω,
5Ω y 10Ω

y asteriscos). Todo lo contrario se visualiza en la figura (8), donde todas las

fallas producidas en la primera sección para resistencias de falla entre 0,05Ω
y 10Ω se encuentran concentradas en la parte superior.
De la figuras (7) y (8) se puede concluir que la primera y tercera com-
ponente principal de los datos de fallas monofásicas para los descriptores del
grupo No. 26 permiten discriminar la distancia comprendida entre el alimen-
tador y la localización de una falla dentro del sistema de distribución.
En las figuras (9) y (10) se muestra la distribución de los datos sobre
la primera y tercera componente principal para los tipos de fallas bifásica y
trifásica y resistencias de fallas 0,05Ω, 5Ω y 10Ω, respectivamente.
En estas gráficas se verifica que el comportamiento de las fallas con res-
pecto a la tercera componente principal es proporcional a la distancia. Esto
es muy importante porque es el punto de partida para el entrenamiento del
sistema inteligente basado en la técnica LAMDA, que se describe a continua-
ción.

|112 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

-0.4
Secciones 3 a 8 1
2
-0.5 3
4
5
-0.6 6
7
8
-0.7
Tercera componente
-0.8

-0.9
Circulos y puntos
-1.0

-1.1

-1.2

-1.3

-1.4
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6
Primera componente

Figura 9: Representación de la primera y tercera componente de los datos de fallas

BIFÁSICAS del grupo de descriptores No. 26 de resistencias de falla 0,05Ω, 5Ω y
10Ω

-0,005

-0,010

-0,015
Tercera componente

1
Circulos y puntos 2
-0,020
3
secciones 3 a 8 4
-0,025 5
6
-0,030 7
8

-0,035

-0,040

-0,045

-0,050
0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Primera componente

Figura 10: Representación de la primera y tercera componente de los datos de fallas

TRIFÁSICAS del grupo de descriptores No. 26 de resistencias de falla 0,05Ω, 5Ω y
10Ω

Universidad EAFIT 113|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

5.4 Entrenamiento del sistema inteligente

Los fallas utilizadas para el entrenamiento fueron las fallas simuladas al 5 %,

50 % y 95 % de cada sección, mientras que las fallas de validación fueron la
simuladas al 27,5 % y 72,5 %. Las fallas se dividieron de esta manera porque
permiten una mejor valoración de la capacidad de generalización de la red
LAMDA, debido a que las fallas utilizadas en el proceso de validación tienen
ubicaciones distintas a las utilizadas durante el proceso de entrenamiento.
Se presenta en la tabla (4) el número de datos utilizados tanto para el
entrenamiento como para la validación del sistema inteligente de cada uno
de los cinco tipos de falla. Es importante precisar que el número de datos se
redujo debido a que se suprimieron las fallas para resistencias de 25Ω y 50Ω,
las cuales corresponden a 970 observaciones de fallas.

Tabla 4: Número de datos para entrenamiento y validación

Tipo de falla Entrenamiento Validación Simulaciones
Monofásica 297 198 495
Bifásica 216 144 360
Bifásica a tierra 216 144 360
Trifásica 72 48 120
Trifásica a tierra 72 48 120
Total 873 582 1455

El proceso de entrenamiento fue supervisado y consistió en introducir los

datos de fallas a cada una de las cinco redes basadas en la técnica LAMDA
que en conjunto conforman el sistema inteligente, es decir, una red LAMDA
encargada para un tipo especı́fico de falla. De esta manera, se acondicionaron
los centros (ρ) de los descriptores en cada una de las clases, de cada una de
las cinco redes LAMDA.
El número de clases de cada una de las cinco redes se determinó partiendo
del supuesto que cada sección del sistema es una clase, esto es, se consideró que
cada una de las fallas de cada sección tienen un comportamiento diferente
con respecto a las fallas de las secciones vecinas, y después, se agrupó en
una misma clase cada una de las secciones que tenı́an un comportamiento
similar, conformando finalmente lo que de ahora en adelante se denomina
zona de falla. En las figuras (11) y (12) se presentan cada una de las clases

|114 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

seleccionadas por la red monofásica y bifásica con los datos respectivos de

entrenamiento (297 monofásicos y 216 bifásicos) y tomando como una clase a
cada una de las secciones, por esta razón en la red monofásica (figura 11) hay
presentes 17 posibles zonas de falla, mientras que en la red bifásica sólo ocho.
La información contenida en estos gráficos es el punto de partida para decidir
que secciones fusionar para conformar con ellas una única zona de falla.

18
17
16
15
GAD[p.u] y clase asignada

1
14 2
3
13 4
5
12 6
11 7 Clase
8 11
10 9
9 10
11
8 12
7 13
14
6 15
5 16
17
4 Secciones
3 3, 4, 5
2
1
0
0 50 100 150 200 250
Observacion

Figura 11: GAD y sección asignada durante el proceso de ENTRENAMIENTO de

la red MONOFÁSICA basada en la técnica LAMDA. Grupo de descriptores No. 26
de resistencias de falla 0,05Ω, 5Ω y 10Ω

La clase 11 en los datos monofásicos de la figura (11) tiene 100 % de

acierto, luego entonces esta sección podrı́a considerarse como una sola zona
de falla. Las secciones 3, 4 y 5 de la misma gráfica por el contrario tiene un
porcentaje de aciertos relativamente bajo, debido a que la red se confunde
con las fallas de estas tres secciones, por lo cual es conveniente fusionarlas y
conformar una sola.
Realizando el mismo análisis con los datos de fallas bifásicas de la figura
(12) es posible seleccionar cada una de las secciones que conformarán cada
zona de falla como se muestra en la tabla (5).
En la tabla (5) se nota que los tipos de falla bifásica, bifásica a tierra,
trifásica y trifásica a tierra comparten las mismas zonas de falla, por consi-

Universidad EAFIT 115|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

1
7 2
3
4
Gad [p.u] y clase asignada

6 5
6
7
5 8

0
0 20 40 60 80 100 120 140 160 180 200
Observaci n

Figura 12: GAD y sección asignada durante el proceso de ENTRENAMIENTO de

la red BIFÁSICA basada en la técnica LAMDA. Grupo de descriptores No. 26 de
resistencias de falla 0,05Ω, 5Ω y 10Ω

Tabla 5: Zonas de falla de cada uno de los cinco tipos de falla

Zona Monofásica Bifásica Bifásica Trifásica Trifásica
a tierra a tierra
1 1,2 1,2
2 3,4,5 3,4,5
3 6,7,8 6,7,8
4 9,10,12
5 11 No presenta esta zona
6 13,14,15,16,17

guiente el sistema de distribución en estudio tendrá únicamente dos esquemas

de posibles zonas de falla, es decir, uno para zonas monofásicas y otro para
las demás, en la figura (13) se muestran estos esquemas.

|116 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

1 3
G M
2
4

5
6

(a)
1 3
G M
2

(b)

Figura 13: Zonas de falla: (a) Monofásicas (b) Bifásica, bifásica a tierra, trifásica,
trifásica a tierra

5.5 Validación del sistema inteligente

En las figuras (14), (15) y (16) se presentan los resultados de clasificación

con los datos de validación de la red monofásica, bifásica y trifásica, respec-
tivamente. El número de zonas de falla y cada una de las secciones que la
conforman esta de acuerdo a lo consignado en la tabla (5).
En la parte inferior de cada una de los gráficos se describe el comporta-
miento del GAD de cada una de las zonas de falla, manifestándose un com-
portamiento gaussiano con medias y desviaciones distintas con respecto a las
otras zonas de falla. Este comportamiento del GAD es muy importante por-
que permite confirmar que el clasificador es capaz de discriminar entre cada
uno de los grupos de clasificación, que en este caso corresponde a las posibles
zonas de falla.
En la tabla (6) se presenta el número de aciertos de cada una de la redes
durante el proceso de validación.
En general, en la tabla (6), se aprecia que utilizando los descriptores del
grupo No. 26 los resultados obtenidos son buenos y que con la implementación
de esta metodologı́a es posible mejorar los ı́ndices de calidad referentes a la

Universidad EAFIT 117|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

7
6

Seccion asignada
5
4
3
2
1
0
1,0

0,8 1
2
3
GAD[p.u]

0,6 4
5
6
0,4

0,2
0
0 20 40 60 80 100 120 140 160 180 200
Observacion

Figura 14: GAD y zona de falla asignada durante el proceso de VALIDACIÓN de

la red MONOFÁSICA basada en la técnica LAMDA. Grupo de descriptores No. 26
de resistencias de falla 0,05Ω, 5Ω y 10Ω

Tabla 6: Resultados de validación de cada una de las cinco redes basadas en la

técnica LAMDA
Zona Monofásica Bifásica Bifásica Trifásica Trifásica
a tierra a tierra
Aciertos Aciertos Aciertos Aciertos Aciertos
1 36/36:100 36/36:100 36/36:100 12/12:100 12/12:100
2 43/54:80 41/54:76 41/54:76 10/18:56 10/18:56
3 48/54:89 45/54:83 45/54:83 10/18:56 11/18:61
4 15/18:83
5 6/6:100 No presenta esta zona de falla
6 25/30:83
173/198:87 122/144:85 122/144:85 32/48:67 33/48:69
482/582:83 %

continuidad del suministro de energı́a eléctrica, debido a que se reducirı́an los

tiempos de acceso y de recorrido hasta el punto de falla [19] y [27], permitiendo
reestablecer eficientemente el suministro de la energı́a eléctrica.

|118 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

Seccion asignada
3

0
1,0
1
0,8 2
3
GAD[p.u]

0,6
0,4

0,2

0
0 50 100 150
Observacion

Figura 15: GAD y zona de falla asignada durante el proceso de VALIDACIÓN de

la red BIFÁSICA basada en la técnica LAMDA. Grupo de descriptores No. 26 de
resistencias de falla 0,05Ω, 5Ω y 10Ω

6 Trabajo futuro

Aunque se obtuvieron buenos resultados con la implementación de la técnica

LAMDA en la localización de fallas dentro del sistema de distribución de
prueba planteado, aún es posible mejorar su estimación. A futuro, se planea
la implementación del modelo completo, esto es, la técnica LAMDA junto
con el algoritmo de localización de fallas propuesto por Ratan Das, con la
finalidad de mejorar el tiempo de respuesta de los operadores de red ante la
ocurrencia de fallas en los sistemas de distribución, reflejándose directamente
en el mejoramiento de los ı́ndices de continuidad del suministro de energı́a
eléctrica y por consiguiente, en la rentabilidad de las empresas.

7 Conclusión

Este artı́culo se centra en el planteamiento, descripción y aplicación de una

metodologı́a para la mejora de los ı́ndices de valoración de la continuidad del

Universidad EAFIT 119|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

Seccion asignada
3

1,0
1
0,8 2
GAD[p.u]

3
0,6

0,4

0,2

0
0 5 10 15 20 25 30 35 40 45 50
Observacion

Figura 16: GAD y zona de falla asignada durante el proceso de VALIDACIÓN de

la red TRIFÁSICA basada en la técnica LAMDA. Grupo de descriptores No. 26 de
resistencias de falla 0,05Ω, 5Ω y 10Ω

suministro de energı́a eléctrica, mejor aún, los ı́ndices de duración y número

de interrupciones en un periodo de tiempo dado:

• El análisis de componentes principales es una herramienta útil para

determinar el comportamiento de los diferentes tipos de falla en los sis-
temas de distribución. A través de las componentes principales de los
datos de falla del grupo No. 26, ver la tabla (3), es posible discriminar
la ubicación de las fallas dentro de un sistema de distribución desbalan-
ceado, y además, la fase o fases que intervienen en la misma.

• Mediante la aplicación de la metodologı́a es posible mejorar los ı́ndices

de calidad referentes a la duración y a la frecuencia de las interrupcio-
nes. La duración de las interrupciones es posible reducirlas porque la
metodologı́a incide directamente en el tiempo de acceso y el tiempo de
recorrido al momento de aislar una falla permanente presente en el sis-
tema de distribución. Del mismo modo, se puede reducir la frecuencia
de las interrupciones porque a través del registro de huecos e interrup-
ciones de tensión se puede prevenir una eventual falla permanente en

|120 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

cualquier parte del sistema de distribución. Es preciso aclarar que la

implementación de la metodologı́a implicarı́a en la reducción del ı́ndice
referente al número de interrupciones porque permitirá detectar la ubi-
cación de causantes de huecos de tensión que posiblemente al cabo de
dı́as producirán una interrupción en el suministro de la energı́a eléctrica,
por ejemplo: ramas de los árboles, cables mal tensionados, etcétera.

Para terminar, se espera que la metodologı́a propuesta sea una herramien-

ta efectiva para la localización de fallas.

Agradecimientos

Este trabajo hace parte de un proyecto de investigación dirigido por la Uni-

versidad Industrial de Santander y la Universidad Tecnológica de Pereira, y
financiado por Colciencias e ISA.

Referencias

[1] H. Acero Torres, G. Flechas, J. Saucedo y C. J. Quintana. Calidad de la energı́a

eléctrica CEL. ACIEM Cundinamarca, 2001.
[2] Vı́ctor Barrera N., A. Jorge Cormane y Gabriel Ordóñez. Predicción de corrientes
armónicas en ventanas de carga residenciales mediante modelos neuronales artifi-
ciales. Trabajo de grado para optar al tı́tulo de Ingeniero Electricista. Universidad
Industrial de Santander, https://www.uis.edu.co/portal/biblioteca/index.html.
Revista UIS Ingenierı́as, III(258), julio de 2004, ISSN 1657–4583. II Congre-
so Internacional de la Región Andina (ANDESCON), IEEE, Colombia, Bogotá,
2004, ISBN 958–33–6534–3.
[3] Vı́ctor Barrera, Juan Mora y Gilberto Carrillo. Fault location in power distri-
bution systems using a learning algorithm for multivariable data analysis. IEEE
transactions on Power Delivery. On Manuscript TPWRD–00143–2006. APPRO-
VED, January 2006.
[4] Vı́ctor Barrera, Gilberto Carrillo y Gabriel Ordóñez. Una aplicación de la técnica
LAMDA a los ı́ndices de continuidad del suministro de energı́a eléctrica. Revista
UIS Ingenierı́as, ISSN 1657–4583, Departamento de Ingenierı́as Fı́sico–Mecánicas,
5(1), 2006.

Universidad EAFIT 121|

Una solución económica a los problemas de calidad del servicio del suministro de energı́a

[5] Juan Mora F., Joaquı́m Meléndez F. y Gilberto Carrillo C. Una Arquitectura
Genérica para el Desarrollo de Sistemas Hı́bridos. Propuesta de localizador de
fallas para mejorar los ı́ndices de calidad. III Simposio Internacional Calidad de
la Energı́a Eléctrica (SICEL), Bogotá, Colombia, 16–18 de noviembre de 2005.
[6] F. Santos y R. Vieira. Sistemas Hı́bridos Inteligentes. XIX Congreso de Inteligen-
cia Artificial, Rı́o de Janeiro, julio de 1999.
[7] Florentino F. Riverola y Juan M. Corchado. Sistemas hı́bridos neuro–simbólicos:
una revisión. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Arti-
ficial, ISSN 1137–3601, 11, 12–26 (2000), AEPIA. Departamento de Informática,
Universidad de Vigo.
[8] L. R. Medsker. Hybrid Intelligent Systems. Kluwer Academic Publishers, 1995.
[9] Juan Corchado. Neuro-Symbolic model for real-time forecasting problems. Ph.D.
Thesis. Department of Computing and Information Systems, University of Pais-
ley, United Kingdom, 1999.
[10] D. Aha and Daniels Jody. Case-Based Reasoning Integrations. Papers from the
1998 Workshop. AAAI Press, 1998.
[11] B. Lees. Hybrid Case-Based Reasoning Systems. Workshop 4, Proceedings of the
Workshop at ICCBR’99, University of Kaiserslautern, 1999.
[12] S. Anand, A. Aamodt and D. Aha. Automating the Construction of Case Based
Reasoners. IJCAI ’99. WorkShop ML–5. Stockholm, Sweden, 1999.
[13] Josefina Barrera C. Modelado de procesos biológicos mediante técnicas de inte-
ligencia artificial . Avance y Perspectiva, 21, Departamento de Biotecnologı́a y
Bioingenierı́a del Cinvestav, septiembre–octubre de 2002.
[14] Marı́a Requejo L., Ernesto González R. y Raúl Medina S. Análisis y mejoras
en la evaluación de diversos términos de los modelos de evolución de playas en
escalas de medio plazo. Tesis de Grado. Universidad de Cantabria, 2005.
[15] Oriol Jorba C. y José Baldasano R. Simulación de los campos de viento de la
Penı́nsula Ibérica y el área geográfica de Catalunya con alta resolución espacial
para distintas situaciones meteorológicas tı́picas. Tesis de Grado. Universitat Po-
litècnica de Catalunya, 2005.
[16] J. Aguilar and N. López. The process of classification and learning the meaning
of linguistic descriptors of concepts. Approximate Reasoning in Decision Analysis,
N. Holland, 165–175 (1982).
[17] J. Waissman, M. Aguilar and B. Dahhou. Construction d’un Modele Comporte-
mental pour la Supervision de Procedes: Application a une Station de Traitement
des Eaux. Thèse, Institut national Polytechnique de Toulouse, France, 2000.

|122 Ingenierı́a y Ciencia, volumen 2, número 4

 Vı́ctor Barrera Núñez, Juan Mora, Gilberto Carrillo y Gabriel Ordóñez

[18] Vı́ctor Barrera Núñez, Gilberto Carrillo C. y Gabriel Ordóñez P. Sistemas de

distribución: localización de fallas mediante la aplicación de inteligencia artifi-
cial . Trabajo de grado para optar al tı́tulo de Magı́ster en Ingenierı́a Eléctrica,
Universidad Industrial de Santander, Bucaramanga, Colombia, 2006.
[19] Vı́ctor Barrera, Jorge Cormane, Juan Rodrı́guez y otros. Metodologı́a para el
mejoramiento de los ı́ndices de continuidad del suministro de energı́a eléctrica.
III Simposio Internacional Calidad de la Energı́a Eléctrica (SICEL), Colombia,
Bogotá, 16–18 de noviembre de 2005.
[20] M. H. J. Bollen. Understanding Power Quality Problems: Voltages Sags and
Interruptions. IEEE PRESS, 2000
[21] J. Mora and J. Colomer. Voltage Sag Characterization and Classification for
Diagnosis in Electric Power Quality Domain. Researh Report, Department of
Electronics, Computer Science and Automatic Control - Group eXiT, Universitat
de Girona, España, 2003.
[22] R. Das. Determining the Locations of Faults in Distribution Systems. Doctoral
Thesis, University of Saskatchewan, Canada, Spring 1998.
[23] Libardo Villamizar y Carlos Quiñónez. Implementación del método de Ratan
Das para la localización de fallas en sistemas de energı́a eléctrica. Trabajo de
grado para optar al tı́tulo de Ingeniero Electricista. Universidad Industrial de
Santander, Bucaramanga, Colombia, 2005.
[24] Lee Seung Jae, Choi Myeon Song, Kang Snag Hee and Jin Bo Gun. An intelligent
and efficient fault location and diagnosis scheme for radial distribution systems.
IEEE, 0885–8977/04, 2004.
[25] Wendy L. Martı́nez and Ángel R. Martı́nez. Computacional Statistics Handbook
with Matlab. Chapman & Hall/CRC, Boca Ratón, Florida, 2002.
[26] A. Rencher. Methods of Multivariable Analysis. John Wiley and Sons INC,
Brigham Young University, Utath, chapter 12, 415–443 (1995).
[27] Gilberto Carrillo, Jaime Román y Juan Rivier. Metodologı́a coste-beneficio apli-
cada a la instalación de equipos de localización y seccionamiento del tramo con
averı́a en redes de distribución. Terceras jornadas Hispano–Lusas de Ingenierı́a
Eléctrica, Universidad Politécnica de Cataluña, Barcelona, España, tomo III, 789–
797 (1–3 de julio de 1993).

Universidad EAFIT 123|